如果没记错，早在2015年，大陆集团（Continental）就提出以无事故“零愿景（Vision Zero）”为目标最终实现自动驾驶；2017年，博世（Bosch）将“零事故、零排放、零担忧”的“三零愿景”作为未来核心目标；同年6月，采埃孚（ZF）再次强调以“零愿景”战略打造汽车行业历经百年的领先供应商。不用说，“零愿景”都是由Tier 1推动的。

今天，消费者对自动驾驶的兴趣日益浓厚，主机厂和Tier 1都在积极布局自动驾驶技术，ADAS也已成为技术攻关的关键，技术的迭代需要不断测试，如何加快测试速度、节约测试成本越来越受到关注。

电动汽车多了三电：电池、电机、电控，少了发动机、变速箱和底盘，应该说比传统汽车的结构简单了，但是动力系统以外的各种功能却比之前复杂很多。特别是要实现自动驾驶，从L2到L3，再到更高级别的L4，所需要测试的场景数量呈几何倍数增长，让汽车系统复杂性陡然增加，给自动驾驶测试带来了最大挑战。与此同时，测试需求更是瞬息之间千变万化，留给专业人员的测试时间越来越紧迫。

在自动驾驶验证测试流程中，获取真实场景非常关键，必须利用道路采集的真实数据进行数据重构，包括使用数字孪生技术手段重建完整的高保真度道路驾驶场景，再通过平台及完整的软件工具链对数据进行硬件仿真测试，最后还要生态圈携手克服测试挑战。

在成本方面，电动汽车功能越来越多，价格却逐年下降，对测试成本也有很大影响。随着汽车复杂度的增加，汽车测试成本随之增加，如果不改变传统测试策略，可能难以达到预期的盈利目标。

因此，我们必须采用新的测试方法，改变传统汽车的测试思路，例如对ADAS使用全新的技术框架，找到一个新的测试方法。

NI（美国国家仪器）资深汽车行业客户经理郭堉表示，最常见的汽车研发测试和验证流程是一个V字型，左边是设计环节，从最底层系统部署到每一个子部件研发，主要依赖于软件，包括原型验证环节；右边是从部件测试上升到整车级，如NVH（噪声、振动与声振粗糙度）可靠性测试。以往是把更多精力放在右边测试环节，尤其是整车测试。随着ADAS技术的不断完善，我们更需要的是左边，测试需求向左移，用更多软件测试来提高测试效率。

5月份对测试总监、测试主管做的问卷调查显示，目前所有测试手段还是基于硬件测试或真实道路测试。对于仿真测试，很多客户验证出来的数据不是特别可靠，但未来共同的需求是通过仿真测试来加快测试进程。

之所以目前还不能达到未来的目标，主要有以下难点：

典型ADAS测试验证工作流程中左边是动态数据，需要用一套系统把它录制下来，录制越真实，数据可靠性越高。录制的数据首先要打标签，之后对数据进行重构。这里要用到数字孪生技术，通过软件把数据重构为一个可靠性比较高的虚拟场景。另外，还需要管理数据，然后再进行测试。最后对数据和高保真场景一起进行硬件在环（HIL）仿真。

郭堉说，自动驾驶测试有三大部分：传感器采集道路数据信息；数字孪生与仿真测试；硬件在环HIL。其中，数字孪生与仿真测试最为关键。

我们来看看走在自动驾驶领域前沿的公司都是如何做测试的。Waymo每天要做2000万英里虚拟测试，至今为止，已经做了超过150亿英里测试，但是在真实道路上的路测只有2000万英里。通过数据对比可以看出，虚拟测试占比高达约99.9%。因此，仿真测试数据可靠性非常重要，如何保证数据是真实的，可以跟真实道路匹配，且给传感器一个真实的反馈，这是一个挑战。

首先，通过激光雷达、毫米波雷达、摄像头、IMU和GPS等采集道路数据。将采集到的数据进行融合。这个过程的难点在于数据同步。NI基于PXI的采集系统，一个传感器对应一个板卡，可确保数据同步。测试系统的集成度高，可扩展性强，还能满足未来车上安装更多传感器、摄像头的测试需求。

下一步是数字孪生与仿真测试。数字孪生技术是建立虚拟场景库的利器，旨在解决前面提到的建立场景库的问题。数字孪生指的是将真实的场景一比一地放在虚拟环境中，生成一个孪生系统。

monoDrive是NI今年收购的公司，monoDrive的数据有助于实现数据重构和孪生。有一段视频可以看到孪生的效果，上面是在美国奥斯汀实际录制的场景，下面是monoDrive的数字孪生，它重构了一个非常高保真度的场景，对面来车等都可以还原出来，比手工费时费力创建这样的场景提高了效率，而且效果非常真实。monoDrive可以把树叶、栏杆、地面上的标志图形完整地复现出来，还原度非常高。这一点，目前只有monoDrive软件可以做到。

数字孪生与仿真测试需要关注的核心要素包括：对传感器和环境的高精度仿真基于真实道路场景构建数字孪生场景；对汽车动力学模型的仿真；基于云的测试方法满足高数据量的测试环境。

具体讲，不仅是道路状态，天气环境也可以仿真出来，包括影响传感器反射条件的路面积水状况、路灯、垃圾筒表面的参数、反射系数的实时表现，甚至日落黄昏都可以快速创建出本地场景，以便验证和快速迭代ADAS算法。

记录道路信息只是仿真还不够，还要用软件平台采集道路实时数据，这是实车录制情况下需要用的。目前特斯拉都是用摄像头，但现在绝大部分主机厂会有毫米波雷达、激光雷达、超声波雷达等传感器，目前算力可以支持12路摄像头，甚至是高清摄像头，所以对录制会有很多挑战，其中包括很多硬件接口。

只有这些数据都被同步记录下来，才是真实有效的。由于数据量非常大，NI提供了PXI平台，可以把所有数据保存下来，且支持大量数据上云端，也可以上到微软云等。

在硬件方面，该平台提供了丰富的接口，不仅是摄像头接口，还有车载以太网等接口。PXI平台已发展了很多年，该平台就是把所有传感器数据无损地保存下来；利用完整的软件工具链还能够压缩数据，可以做数据管理和数据回放。

这里要科普一下PXI（面向仪器系统的PCI扩展），它是一种由PXI联盟发布的基于PC的坚固的测量和自动化平台。PXI结合了PCI的电气总线特性与CompactPCI的坚固性、模块化及Eurocard机械封装的特性，已发展成适合于试验、测量与数据采集场合应用的机械、电气和软件规范。制订PXI规范的目的是为了将台式PC的性能价格比优势与PCI总线面向仪器领域的必要扩展完美结合起来，形成一种主流的虚拟仪器测试平台。

在汽车应用中，恰恰需要PXI这种高性能、低成本的测量运载平台。用基于一个PXI平台的测试系统可以满足纯仿真实验、录制数据开环回放、硬件在环仿真及道路测试四种道路场景，节省测试成本，保证数据同步。

什么是HIL？通常要测的对象都是ECU的控制部分或ECU中的算法，因此需要模拟外围设备,让ECU以为连接的是真实的电机。比如用软件导入模型，这些模型是用数学方式表达的。

在硬件在环仿真阶段，可以使用NI PXI实时控制器运行仿真模型来模拟受控对象的运行状态，配合NI FPGA模块可适应更高动态特性及更高精度的模型应用需求。NI硬件在环测试平台具有开放的软硬件技术架构，可以减少工程师的开发时间、成本和风险。

NI提供的硬件包括FPGA板卡，可以提供纳秒级运算，实现电机模型非常快的响应。如果编辑到系统中运算可以达到毫秒级，运行车辆动力学模型，真实反馈车辆在虚拟场景中的运转状态。然后连到DUT（在测设备），这样就用AI完整链路和平台软件实现了一个框架。

NI产品框架包括模块化硬件，也就是PXI平台，提供丰富的接口，包括摄像头接口、射频I/O板卡。工程师不需要了解各厂商的不同接口，学习各厂商的硬件平台怎么操作，学习新软件的使用方法。用NI的应用软件结合硬件就可以用同样的工具链实现从研发到最后生产的部署流程。

郭堉指出：“自动驾驶测试不是一家测试公司能独立完成的工作，而是需要生态圈内很多厂商的协作。NI开放的平台，使得NI能够作为一个连接者的角色，连接合作伙伴，共同推动自动驾驶落地。”